بهينه‌سازي توليد و تزريق با استفاده از روش كاهش مرتبه مدل در شبيه‌سازي مخازن هيدروكربني

Optimization of Oil Production Using Reduced Order Modeling in Hydrocarbon Reservoir Simulation

بهینه‌سازی برنامه تولید و تزریق در مخازن هیدروكربنی به‌دلیل پیچیدگی و حجم بالای محاسبات، زمینه تحقیقاتی بسیاری از طرح‌های پژوهشی بوده است. یكی از علل اصلی این پیچیدگی نیاز به اجراهای متعدد شبیه‌ساز عددی به منظور پیش‌بینی عملكرد مخزن است. لذا یافتن راهی برای كاهش محاسبات شبیه‌سازی مخزن كمك شایانی به تسهیل بهینه‌سازی تولید خواهد كرد. یكی از روش‌‎های كاهش حجم شبیه‌سازی مخزن استفاده از روش‌های كاهش مرتبه مدل است كه به‌تازگی در حوزه شبیه‌سازی مخازن هیدروكربنی معرفی شده است. در این مقاله ما به معرفی روش كاهش مرتبه مدل براساس شبكه‌های عصبی مصنوعی و روش درون‌یابی تجربی گسسته خواهیم پرداخت. این روش با تركیب مزایای روش‌های نفوذی روش درون‌یابی تجربی گسسته و غیر نفوذی شبكه‌های عصبی قادر است ضمن حفظ دقت شبیه‌سازی مشكل بالا بودن ابعاد فضای متغیر را حل كرده و در زمینه شبیه‌سازهای جعبه سیاه نیز به‌كار گرفته شود. كارایی الگوریتم پیشنهادی در كاهش حجم شبیه‌سازی و بهینه‌سازی تولید در مخزن شاخص بروژ مورد ارزیابی قرار گرفته است. روش مذكور نشان داد كه قادر است ضمن حفظ دقت شبیه‌سازی و رفتار دینامیكی مخزن زمان شبیه‌سازی را تا هشت برابر كاهش دهد. در قسمت بهینه‌سازی تولید نیز استفاده از این روش در كنار الگوریتم بهینه‌سازی جستجوی الگو توانست ضمن كاهش زمان محاسباتی به میزان هفت برابر نسبت به شبیه‌ساز عددی اكلیپس، موجب بهبود 11% در ارزش خالص فعلی نسبت به نقطه اولیه بهینه‌سازی شود.  

Production-injection optimization has been the subject of various researches due to its complicated and expensive computations. The main reason for this complexity is number of reservoir simulation runs is needed to predict reservoir performance. These numerical reservoir simulations are computationally expensive and time consuming. Therefore, finding a way to reduce the computational burden of reservoir simulation will facilitate the optimization process. One of the methods for reducing the complexity of reservoir simulation is Reduced Order Modeling (ROM) which has been recently introduced for improving efficiency of open source reservoir simulators. In this paper, an ROM method based on Artificial Neural Networks (ANN) and Discrete Empirical Interpolation Method (DEIM) is proposed to resolve the curse of dimensionality while simulating reservoir dynamics with acceptable accuracy. This method is also applicable to black box reservoir simulators. The performance of the suggested ANN-DEIM algorithm has been investigated on a case study on Brugge field. The reduced model well represent the reservoir dynamic behavior while reducing run time by a factor of eight comparing with that of a full order reservoir simulator. ANN-DEIM also has been applied in production-injection optimization of Brugge filed using a Pattern Search optimization algorithm. The proposed method can reduce optimization time by 7 times while leading  to %11 improvement in Net Present Value (NPV) over the initial solution used in the optimization process.